构建复杂深度学习模型时，出现大量重复结构与变量名的情况十分常见。为便于对这些变量进行管理，TensorFlow 给出的解决方案是变量的作用域与重用机制。简单来说，在不同的变量作用域下，相同的变量名是可以接受的，且他们之间并不会相互影响；在同一个变量作用域下，如果要接受相同的变量名，则要求设定重用规则。

TensorFlow的变量作用域与重用机制依赖于以下两个方法：

tf.get_variable(
    name, shape=None, dtype=None, initializer=None, regularizer=None,
    trainable=None, collections=None, caching_device=None, partitioner=None,
    validate_shape=True, use_resource=None, custom_getter=None, constraint=None,
    synchronization=tf.VariableSynchronization.AUTO,
    aggregation=tf.compat.v1.VariableAggregation.NONE
)
建立或返回一个给定名称的变量

tf.variable_scope(
    name_or_scope, default_name=None, values=None, initializer=None,
    regularizer=None, caching_device=None, partitioner=None, custom_getter=None,
    reuse=None, dtype=None, use_resource=None, constraint=None,
    auxiliary_name_scope=True
)
管理传递给tf.get_variable()的变量名组成的命名空间

使用tf.get_variable()新建的变量与tf.Variable()新建的变量本身并无太大区别，tf.Variable也同样受variable_scope的影响。但tf.get_variable()还会搜索是否有同名的变量，以检查可能的冲突，tf.Variable()则不会管那么多。此外，结合命名空间（name_scope）来看，tf.Variable()创建变量的名字会受到name_scope的影响，而tf.get_variable()则不会。即：

with tf.name_scope("foo"):
    # tf.Variable函数生成变量时受tf.name_scope影响，所以变量名为"foo/a:0"
    a = tf.Variable([1], name='a')
    print(a.name)
    # foo/a: 0

    # tf.get_variable函数不受tf.name_scope函数的影响，所以变量名为"b:0"
    b = tf.get_variable("b", [1])
    print(b.name)
    # b:0

这里所说的name_scope，与variable_scope较为相似，但是name_scope不会对变量的作用域造成实际的改变，而只是加了一个范围，使得使用TensorBoard进行计算图可视化时更加直观。最常用的一个用法是，划分"input"、"loss_function"、"train_step"等name_scope，以便在可视化时清楚地看到整个pipeline中的各个步骤。

tf.variable_scope(scope_name)会管理在名为scope_name的域（scope）下传递给tf.get_variable的所有变量名，根据规则确定这些变量是否进行复用。

举一例用法如下：

with tf.variable_scope("foo"):
    with tf.variable_scope("bar"):
        v = tf.get_variable("v", [1])
        assert v.name == "foo/bar/v:0"

这边新建了两层的变量作用域，分别是"foo"和"bar"，在其下使用tf.get_variable定义了一个变量v。

tf.variable_scope()最重要的参数是reuse，有None,tf.AUTO_REUSE与True三个选项。此外，TensorFlow也支持捕获某一已经定义的变量作用域，并重新设置进行复用。

1. reuse的默认选项是None,此时会继承父scope的reuse标志。
    
2. 自动复用（设置reuse为tf.AUTO_REUSE）,如果变量存在则复用，不存在则创建。这是最安全的用法，在使用新推出的EagerMode时reuse将被强制为tf.AUTO_REUSE选项。用法如下：

   def foo():
     with tf.variable_scope("foo", reuse=tf.AUTO_REUSE):
       v = tf.get_variable("v", [1])
     return v
   
   v1 = foo()  # Creates v.
   v2 = foo()  # Gets the same, existing v.
   assert v1 == v2

3. 复用（设置reuse=True）：

   with tf.variable_scope("foo"):
     v = tf.get_variable("v", [1])
   with tf.variable_scope("foo", reuse=True):
     v1 = tf.get_variable("v", [1])
   assert v1 == v

4. ​捕获某一域并设置复用（scope.reuse_variables()）： 

   with tf.variable_scope("foo") as scope:
     v = tf.get_variable("v", [1])
     scope.reuse_variables()
     v1 = tf.get_variable("v", [1])
   assert v1 == v

当存在以下情况时，TensorFlow会抛出错误：

1）非复用的scope下再次定义已存在的变量；或

2）定义了复用但无法找到已定义的变量：

with tf.variable_scope("foo"):
    v = tf.get_variable("v", [1])
    v1 = tf.get_variable("v", [1])
    #  Raises ValueError("... v already exists ...").


with tf.variable_scope("foo", reuse=True):
    v = tf.get_variable("v", [1])
    #  Raises ValueError("... v does not exists ...").